En vista de los problemas que tiene el algoritmo de la libélula, como caer fácilmente en la solución óptima local y tener una baja precisión de optimización, se propone un Algoritmo de Libélula Mejorado (IDA) y se aplica a la segmentación de imágenes de umbral múltiple de Otsu. Primero, se utiliza una optimización de aprendizaje basada en la oposición de élite para mejorar la diversidad de la población inicial de libélulas, sentando las bases para las iteraciones del algoritmo subsiguientes. En segundo lugar, se introduce una estrategia mejorada de seno y coseno para evitar que el algoritmo caiga en óptimos locales, mejorando así su capacidad de escapar de óptimos locales. Luego, se incorpora una estrategia de distribución adaptativa para mejorar el equilibrio entre la exploración global y la búsqueda local, mejorando así la velocidad de convergencia del algoritmo. Para evaluar el rendimiento de este algoritmo, utilizamos ocho funciones de referencia internacionales para probar el rendimiento del algoritmo IDA y compararlo con el algoritmo de búsqueda de gorriones (SSA), algoritmo de seno y coseno (SCA) y algoritmo de libélula (DA). Los experimentos muestran que el algoritmo tiene un mejor rendimiento en cuanto a velocidad de convergencia y precisión. Al mismo tiempo, se emplea el método de Otsu para determinar el umbral óptimo, se realizan una serie de experimentos en seis imágenes proporcionadas por la Universidad de Berkeley y se comparan los resultados con los otros tres algoritmos. Según los resultados experimentales, el índice de relación señal-ruido pico (PSNR) y el índice de similitud estructural (SSIM) basados en el método del algoritmo IDA son mejores que otros algoritmos de optimización. Los resultados experimentales indican que la aplicación de la segmentación de umbral múltiple de Otsu basada en el algoritmo IDA es potencial y significativa.